北京
智能体是一个从环境中收集信息并对反馈做出反应的系统。来源:亚历克斯·隆美尔
来源：https://phys.org/news/2026-10-physics-reveals-fundamental-energy-efficiency.html
人工智能正日益成为我们日常生活的一部分——从数字助手到能够感知周围环境的机器人。这些功能中的每一项都基于消耗能量的物理计算过程。由奥地利因斯布鲁克大学理论物理系的汉斯·布里格尔领导的一个国际研究小组，调查了智能系统处理信息效率的物理限制。他们的研究结果 已发表 于 物理评论 X杂志 。
信息处理物理学
智能体是一个从环境中收集信息并对这些反馈做出反应的系统，就像一个机器人在房间里移动时不断做出新的观察。“通过他的行动，智能体改变了他自己试图预测的世界。我们想了解这对信息处理物理学的影响，”该研究的主要作者卢卡斯·菲德勒解释道。
1961年，物理学家罗尔夫·兰多尔（Rolf Landauer）确定了擦除信息的基本物理成本。然而，这种关系也反过来运作:在适当的条件下，一个试剂可以利用关于物理系统的信息从中提取能量。这项新研究调查了理想试剂通过与其环境的重复交换每次相互作用可以提取的最大平均有用能量量。因此，它为比较不同组织试剂记忆和动作的方式提供了精确的热力学基准。
热力学最佳性能
先前的研究表明，一个被动处理信息的代理只有在始终将记忆集中在预测上，记住过去互动中的信息以帮助预测未来的观测时，才能实现热力学最佳性能。新的研究为那些行为影响观测的智能体开发了一个模型，更密切地反映了现实世界的应用。
作者从数学上证明，在某些环境中，保留所有优化预测所需信息的智能体实际上无法实现最佳的能效。为了实现这一目标，他们必须忘记自己的部分行为历史——包括那些实际上会改善预测的信息。
一个简单的例子说明了遗忘在这里意味着什么:一个打开门的机器人可以精确地记住推门的力度，以预测门的移动。如果它忘记了推门的力，就会丢失可以改善其对门移动预测的信息。研究表明，在某些环境中，智能体必须放弃这些有用的信息，以最大限度地利用他们通过互动获取的能量。
“令人惊讶的是，一个智能体可以从遗忘信息中受益，而遗忘信息实际上会改善其预测，”菲德勒说。即使赋予代理更多的存储容量，这种效果仍然存在，并且不依赖于当今硬件的实际存储成本:“即使我们忽视建立和维护内存的实际成本，预测和遗忘之间的权衡仍然存在。因此，这是源于物理学基本定律的冲突，”菲德尔说。
为未来的高效智能体奠定基础
菲德勒说:“如今的计算机还远远没有达到这些基本限制。我们的工作为我们提供了一种方法，可以探索随着技术越来越接近高效的代理可能是什么样子。”他认为，在现代实验装置下，对结果进行原理验证演示应该是可能的。
研究结果还引发了更根本的问题：“预测与遗忘是智能行为的常见特征。若在基础热力学目标中发现二者之间的联系，或许能为开发更可持续的人工智能系统提供启示。”费德勒表示。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
